一种基于多语义特征融合网络的卫星压制干扰识别方法与流程

1.本发明主要针对卫星导航信号的7类有源压制干扰的识别，主要涉及基于多语义特征融合网络的卫星压制干扰识别方法。


背景技术：

2.在军事和民用领域，随着卫星导航系统及其应用的发展，全球卫星导航系统(global navigation satellite system，gnss)已经成为重要，不可缺失的空间基础设施。随着导航定位技术的深入应用，“导航干扰战”逐渐成为电子对抗的重要分支。在复杂的通信环境中，来自外部的卫星导航压制干扰使依赖卫星导航服务的基础设施的安全、高效、稳定运行面临严重威胁。因此，有效检测识别压制干扰仍是当前gnss领域内的研究热点。
3.针对多类型有源压制干扰的识别问题，近年来，部分学者利用深度学习网络结构自动提取信号特征，并在信号识别方面取得较好的突破。提出基于时域构造的残差网络压制干扰识别算法，该算法将信号时域构造的一维数据作为网络输入，网络输入样本维度规模小，导致无法为网络提供更多有效区分度的特征作为分类识别依据。对此，本发明提出基于多语义特征融合网络的卫星压制干扰信号识别算法，该算法通过信号图像化重构和多语义特征融合网络，通过跳跃连接的残差网络的低层和高层语义特征提取，构建了更完善的高维信号时频域特征，提取到更丰富的多语义特征，比基于时域构造的残差网络压制干扰识别算法具有更好的识别性能。
4.由此可见，基于多语义特征融合网络的卫星压制干扰识别算法在卫星导航信号的干扰识别方面有着非常广泛的应用前景。


技术实现要素：

5.由于压制干扰原理简单，具有实现难度低和压制效率高等优点，人为产生的压制干扰成为卫星通信系统的主要干扰因素。
6.本发明解决其技术问题所采用的技术方案包括以下步骤：
7.步骤1、对7类压制干扰信号进行分析，并接收到卫星导航信号和压制干扰信号以及高斯噪声信号的混合信号的时域信号；
8.步骤2、对接收到的时域信号进行图像化重构处理，得到受不同压制干扰信号影响的二维图像。
9.步骤3、搭建干扰识别模型。
10.首先搭建残差网络模型；然后对残差网络模型中各级残差单元的输出特征进一步进行拼接融合，最终得到基于特征融合网络的干扰识别模型；
11.步骤4、获得多语义融合特征，进行分类并统计识别准确率。
12.步骤1具体实现如下：
13.1-1.对于7种典型压制干扰信号，j(t)的表达式可用表1来表示。
[0014][0015]
表1中，fc为干扰信号的载波频率，为初始相位，通常设为0。a(t)、a1(t)和a2(t)为bpsk和qpsk干扰信号的基带数据。u(t)为时域脉冲干扰信号的脉冲信号，τ为脉冲持续时间，t为时域脉冲周期。n(t)为随机的高斯白噪声，k
fm
是噪声调频干扰的调频特性曲线斜率。k1为扫频干扰的扫频速率。梳状谱干扰信号是由5个噪声调频信号合成，k为梳状谱干扰的调频特性曲线斜率，f
c，i
为梳状谱干扰信号的载波频率，频点的选择由要干扰的通信频段来决定。
[0016]
1-2.待识别卫星压制干扰信号的时域模型可表示为：
[0017]
s(t)＝ρ1b(t)c(t)exp(j2πft)+ρ2j(t)+n(t)
ꢀꢀꢀ
(1)
[0018]
上式中ρ1和ρ2分别为卫星导航信号和压制干扰信号的幅度，b(t)为卫星导航信号的基带数据；c(t)为卫星导航信号的扩频序列数据；f为卫星导航信号的载波频率，j(t)为压制干扰信号，n(t)为噪声信号，是服从n(0，σ2)的高斯白噪声，σ2为噪声方差。
[0019]
因此，对接收信号进行采样，得到i、q两路数据信号可以分别表示为：
[0020][0021][0022]
其中，fs为采样频率，m表示符号个数，n为采样点数。
[0023]
步骤2具体实现如下：
[0024]
2-1.由于传统深度学习处理在解决信号识别问题时，网络结构的输入通常为一维数据形式的训练样本，网络可提取的特征数不足，从而导致信号识别准确度低。因此本发明将卫星压制干扰信号识别与深度学习相结合后，提出对一维压制干扰信号图像化重构得到高维数据图像，便于深度学习网络提取有效区分度的信号特征。
[0025]
为保证与本发明网络所要使用的数据约束条件相同，首先，对接收信号进行采样，并将采样后的i、q两路的一维时序信号表示为1
×
mn的数据矩阵块，再对数据矩阵块拼接扩充，扩展网络输入信号的数据集，达到数据增强效果。最后，对i、q两路的数据矩阵块进行矩阵变换和拼接得到高维数据作为本发明网络模型输入的二维图像。
[0026]
信号图像重构化的具体过程如下所示：由公式(2)和公式(3)得到的时域信号，对接收信号按照码元长度进行切割和变换得到1
×
mn大小的数据矩阵块。因此，将采样数据进行初步图像化重构得到的数据矩阵块可表示为：
[0027]smod，i，1
＝[si(1)，si(2)，si(3)，
…
，si(mn)]1×
mn
ꢀꢀꢀ
(4)
[0028]smod，q，1
＝[sq(1)，sq(2)，sq(3)，
…
，sq(mn)]1×
mn
ꢀꢀꢀ
(5)
[0029]
为提供给网络模型尽可能多的可提取的信号特征，再进一步对公式(4)和公式(5)所得数据矩阵块进行相应的拼接扩充，将数据矩阵块填充d次得到新的数据块。填充过程可表示为
[0030]smod，i
＝[s
mod，i，1
，s
mod，i，2
，
…
，s
mod，i，16
]1×
dmn
ꢀꢀꢀ
(6)
[0031]smod，q
＝[s
mod，q，1
，s
mod，q，2
，
…
，s
mod，q，16
]1×
dmn
ꢀꢀꢀ
(7)
[0032]
为使构建的二维图像更能体现干扰信号的时频特点，对公式(6)和公式(7)所得的两路扩充数据块进行矩阵变换和拼接得dn
×
2m大小的二维图像，二维图像可表示为：
[0033][0034]
2-2.在图像化重构过程中，对信号进行填充和转换处理，来增强待识别信号的数据集，给本发明网络提供更多能够提取的信号特征，从而提升干扰信号的识别准确率。
[0035]
对不同压制干扰信号种类下的接收信号分别进行图像化重构得到本发明网络输入的二维图像如图2.1至图2.8所示。观察发现接收信号经过图像化重构，可以更直观呈现各类信号的差异。在高斯噪声环境下，灰度图像上横向方向的像素点深度变化可以体现信号随频率和时间变化，纵向方向上的像素点深度可以反映信号在不同时刻的信号数据信息。
[0036]
步骤3具体实现如下：
[0037]
3-1.为满足多语义特征融合，要确保网络能够获取更丰富的时域和频域特征，本发明提出采用非线性映射残差网络结构来提取信号特征。为更好适应残差网络的输入，首先将单通道输入图像进行通道变化和更改尺寸，经过卷积层和最大池化层得到更适应残差网络的输入图像。
[0038]
为尽可能多的提取信号的局部细节和信号纹理特征，本发明在特征提取模块采用4级残差网络。其中，每个残差单元涉及两个卷积层，卷积核较小，避免了较大范围感受野带来的干扰信号细节损失问题，便于网络能够准确提取干扰信号更细致和真实的信号特征。同时，每一个卷积层部附带一个relu激活函数层，并且各级残差网络跳跃连接形成深度网络，增加了卷积运算的非线性，进而使网络从不同的角度进行特征提取，获取到待识别信号更准确的各级语义特征，从而提高压制干扰信号识别准确率。
[0039]
3-2.接收信号为卫星导航信号和压制干扰信号以及高斯噪声信号的混合信号，信号成分复杂。在提取信号特征时，采用残差网络，信号低层卷积部分感受野范围较小，主要提取干扰信号边缘、纹理等局部细节特征，随着层数增多，可以提取更多信号特征。同理，在更高层可以获得干扰信号抽象复杂的信号语义特征。因此，为同时获得低层语义特征和高层语义特征，提出对提取的信号各级语义特征进行特征融合处理，特征融合模块包含4个特征预处理和平均池化层以及flatten层。
[0040]
采用的特征融合方式为拼接融合，为保持各层信号特征作用比例一致，需对各级
残差单元输出特征图进行尺寸、通道变化预处理。因此本发明提出特征预处理单元，主要由1个1
×
1卷积层、1个最大池化层、1个实例规范化层、1个relu函数激活层构成。同时为避免直接采用卷积层下采样导致参数量成倍增加的问题，本发明采用1
×
1卷积层实现特征通道变化，再由池化层下采样进行特征图尺寸变化。特征预处理单元如图3所示。
[0041]
通过图3所示的特征预处理单元将各级残差网络输出的不同尺寸大小和不同通道数的语义特征标准化，得到标准化特征。
[0042]
步骤4具体实现如下：
[0043]
4-1.对图3输出的标准化特征进行维度拼接融合和池化降维，得到信号的多语义融合特征。融合后的信号特征保留更多的信号边缘和纹理等细节特征，同时增加了抽象复杂的信号特征，因此特征融合提高了网络提取干扰信号的多语义特征的能力，最后经过全连接层完成压制干扰信号类型的分类并统计识别准确率。
[0044]
本发明有益效果如下：
[0045]
因此本发明主要针对7种典型的有源压制干扰信号展开研究，分别是：bpsk干扰、单音干扰、时域脉冲干扰、噪声调频干扰、qpsk干扰、线性扫频干扰、梳状谱干扰。本发明提出对时域信号进行图像化重构，并利用跳跃连接的残差网络提取时频域特征和抽象语义特征，再通过特征融合模块完成低层和高层输出特征的融合，获得更为复杂和抽象的多语义特征，实现了7类典型压制干扰的有效识别。
[0046]
本发明提出图像化重构的多语义特征融合网络实现卫星压制干扰信号识别，一方面提出图像化重构达到数据增强效果，为网络提供更多可提取的信号特征；另一方面采用多语义特征融合提升了网络的特征提取和分类能力，更有助于进行分类识别，且所提算法具有良好的泛化能力。因此本发明算法能够有效应对复杂多类型的压制干扰，获得较好的分类识别效果。
附图说明
[0047]
表1压制干扰信号表达式；
[0048]
表2压制干扰信号生成参数；
[0049]
图1基于多语义特征融合网络的压制干扰信号识别框架；
[0050]
图2.1存在bpsk干扰；
[0051]
图2.2存在单音干扰；
[0052]
图2.3存在时域脉冲干扰；
[0053]
图2.4存在噪声调频干扰；
[0054]
图2.5存在qpsk干扰；
[0055]
图2.6存在线性扫频干扰；
[0056]
图2.7存在梳状谱干扰；
[0057]
图2.8不存在压制干扰的卫星导航信号图像；
[0058]
图3特征预处理单元；
[0059]
图4不同干信比时三种网络的干扰识别率；
[0060]
图5不同信噪比时三种网络的干扰识别率；
具体实施方式
[0061]
下面结合附图对本发明的具体实施例做进一步的说明。如图1-5所示，多语义特征融合网络实现卫星压制干扰信号识别，具体实现步骤如下：
[0062]
步骤1：得到具体的7类压制干扰信号的表达式如表1所示，得到不同压制干扰下时域采样信号si(n)和sq(n)；
[0063]
步骤2：数据库制作。对接收到的时域信号进行图像化重构符号个数m＝112，采样个数n＝14，拼接扩充次数d＝16，得到224
×
224大小的二维图像。根据表2中得到各类压制干扰的参数，依据干扰参数在载频范围内均匀选取500个频率点，每个频率点生成4张图片，每类信号的数据图像数量为500
×
4＝2000张，训练集数据图像库大小为500
×4×
7＝140000。而对于测试集图像是在载频范围内随机选取500个频点，每个频率点生成1张图片，因此测试集图像库大小为500
×1×
7＝3500。
[0064]
表2压制干扰信号生成参数
[0065]
压制干扰信号类型干扰参数bpsk干扰信号3khz-9khz范围内频点位置随机单音干扰信号3khz-9khz范围内频点位置随机时域脉冲干扰信号占空比0-100％范围内随机噪声调频干扰信号调频斜率200，3khz-9khz范围内频点位置随机qpsk干扰信号3khz-9khz范围内频点位置随机线性扫频干扰信号3khz为起始频率，扫频速率为4.8～14.4khz/s范围内随机梳状谱干扰信号5个噪声调频信号合成，3khz-9khz范围内频点位置随机
[0066]
步骤3：根据图1搭建特征融合网络模型，主要由卷积层，池化层，激活函数，残差模块以及特征融合模块组成。卷积层视野范围为7
×
7，残差模块由分布为(2，2，2，2)的4级残差单元跳跃连接构成，其中，残差模块中的卷积核大小为3
×
3，特征融合模块采用的是拼接融合，将各级残差模块输出尺寸标准化处理后进行相加。首先对单通道信号图像(224
×
224
×
1维)进行尺寸变化和通道变化得到输入图像大小为112
×
112，输入通道为64，并经过4级残差单元，得到各级残差单元输出的特征。再通过图3所示的特征预处理单元将各级残差网络输出的不同尺寸大小和不同通道数的语义特征标准化(7
×7×
512维)。
[0067]
步骤4：对步骤3中特征预处理单元输出的标准化特征进行维度拼接融合和池化降维，得到信号的多语义融合特征(1
×
2048维)。最后对输出特征进行分类，并统计识别准确率，得到图4和图5的仿真结果。
[0068]
实施例：
[0069]
本发明实验训练所用服务器gpu为nvidia titan rtx，所使用的深度学习框架是pytorch，采用本发明多语义特征融合网络进行训练，全局学习率为0.05，训练批次为16，训练轮次为100，损失函数采用支叉熵，优化器是adam，特征融合后的信号特征向量维度为2048维。同时对目前广泛使用的基于时域的残差网络压制干扰识别算法进行仿真，作为本发明对比结果。
[0070]
借助matlab软件实现对7类卫星压制干扰信号的仿真，对信号数据预处理得到训练集和测试集图像样本，且两者不交叉。信噪比snr＝[-10∶10]db，干信比jsr＝[-10∶15]db，采样频率为22.4khz，扩频码速为100hz，干扰信息速率为1.6khz，各类干扰的其他参数
如表2所示。
[0071]
对比文献中基于时域构造的残差网络压制干扰识别算法的训练集和测试集样本是基于时域构造的，仿真中通过matlab仿真得到包含7类压制干扰的卫星接收信号，并将采样后的i路和q路信号拼接成一维数据。为便于观察对比效果，干扰参数设置同表2，训练集和测试集大小、信噪比和干信比范围与本发明设置一致。
[0072]
通过训练好的网络对信号进行验证，分别使用本发明算法的多语义特征融合网络和不进行特征融合的网络，以及使用对比文献网络实现对各类压制干扰信号的识别，得到当信噪比为0db时，随干信比变化时各类压制干扰在三种网络算法中的正确识别率情况如图4所示，当干信比为0db时，随信噪比变化时各类压制干扰在三种网络算法中的正确识别率情况如图5所示。
[0073]
由图4和图5可以看出，本发明提出的特征融合网络和特征非融合网络的识别准确率高于对比文献算法。当信噪比大于0db或干信比大于0db时，本发明网络的干扰识别准确率均能达到90％以上。这是由于本发明提出对接收信号图像化重构，增强了网络输入数据集，提供更多可提取的信号特征，提升了干扰识别性能。并且提出多语义特征融合得到更多有效区分度大的信号特征，从而取得更好的识别性能。
[0074]
最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。